激光雷达运动物体分割论文汇总（2021-2022）

最新推荐文章于 2024-05-27 09:43:55 发布
最新推荐文章于 2024-05-27 09:43:55 发布
阅读量834 收藏 11
点赞数
文章标签： 大数据 算法 python 计算机视觉 机器学习
原文链接：https://mp.weixin.qq.com/s?__biz=Mzg2NzUxNTU1OA==&mid=2247489641&idx=2&sn=6913c1d8334211957325756e764f3c85&chksm=cebb35a0f9ccbcb6ec416076fc49c721dbfbeece4d86c0f9ab7624bd64d23503e1b64ad7ccec&scene=126&&sessionid=0
版权

作者 | Twilight风弦  编辑 | 汽车人

原文链接：https://zhuanlan.zhihu.com/p/547660616

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

1LMNet(2021 RAL)

Moving Object Segmentation in 3D LiDAR Data: A Learning-based Approach Exploiting Sequential Data

1c488cdab1dde2cb4523d965099e557c.png

主要贡献

  • 在当前扫描的基础上，通过结合残差图像，提高了移动目标分割的性能，其性能优于几种(当时)最先进的网络

  • LMNet的设计也启发了后来的很多篇文章(使用Residual Depth)

整体方法&网络架构

e1574b47cd310d8391830322be7b43da.png

Residual Depth的生成过程

Step1：将之前的扫描结果转换为给定的当前局部坐标系来补偿ego-motion

其实就是对历史某时刻的齐次坐标连续施以若干次变换，将其转换到当前时刻的坐标系中。

dca41755cbdb4f84be98a5f35505d5cd.pngStep2：进行球投影，转为range image

e667585dc63a3c9b6cdc8d0afd1bef04.png

Step3：计算各点的归一化Residual Depth

0ceea788cbc8a940c668004e9b43cf97.png

其中，r_i是当前帧在坐标(u_i,v_i)处的range value，r_i^k→l是转换后的图像在同一像素处的range value

实验结果

  • 直接将所有可移动物体，如车辆和人，标记为移动物体，同时将其他物体标记为静态物体

  • 使用SalsaNext作为backbone

  • 硬件配置：an Intel i7-8700 with 3.2 GHz and a single NVIDIA Quadro P6000 graphic card

c24064e36b83a6a8866a771651bda35d.png

24DMOS(2022 RAL)

156829c558143120bab3eb3c71045e5e.png

本文指出：基于离线方法的模型通常需要访问序列中的所有扫描

主要贡献

  • 将一系列观察到的激光雷达扫描变成一个体素化的稀疏四维点云，应用计算效率高的稀疏4D卷积来联合提取时空特征

  • 提出Receding策略，允许我们在线预测移动的物体，并根据新的观测结果改进预测

  • 使用二进制贝叶斯滤波器递归地集成新预测结果，从而产生更稳健的估计

网络架构

ae4d668ad4801a5695a987c0570388e4.png

Sparse 4D CNN: MinkUNet14，它是一个ResBottleneck架构的稀疏等价物，利用稀疏卷积对特征映射进行下采样，利用稀疏转置卷积进行上采样。

输入形式

b65b566c0326b925bfb37f6dd0a921ac.png

Sparse 4D Convolutions

  • 由于从激光雷达传感器获得的户外点云本质上是稀疏的，作者将四维点云量化为在时间∆t和空间∆s上具有固定分辨率的稀疏体素网格。我们使用一个稀疏张量来表示体素网格，并只存储非空体素的索引和相关特征，提高了内存效率

  • 使用闵可夫斯基引擎来进行稀疏卷积。与密集卷积相比，稀疏卷积的主要优点是计算速度快

Receding strategy & Binary Bayes Filter

  • 后退视界策略允许基于新的观测结果来改进对移动物体的估计

  • 作者建议使用Binary Bayes Filter递归地融合它们，这使得延长用于分割的时间跨度成为可能，并有助于预测在初始时间范围内只移动了一小段距离的缓慢移动的物体

c6e58fe5bf77a1d43395041eb39e2de9.png

实验结果

硬件配置：NVIDIA RTX A5000

e5c89a7969a2055ee6c31076ed42bf30.png

运行时间：在未优化的Python实现中，网络平均需要0.078秒来预测N=10的输入，0.047秒来预测N=5的输入。二元贝叶斯滤波器对于融合10个预测平均只增加了8ms的开销，对于融合5个预测平均只增加了4ms。

3EmPointMovSeg(2022 TCAD)

EmPointMovSeg : Sparse Tensor Based Moving Object Segmentation in 3D LiDAR Point Clouds for Autonomous Driving Embedded System 作者指出：

  • 运动目标分割通常有两类方法：基于映射的(Map-use)和不基于映射(Map-free)的

  • Map-use方法需要一个无噪声的、预先构建的映射图。虽然这种方法准确度较高，但它的推理时间太长，不利于在线运动分割

  • Map-free方法通过实时扫描的激光雷达帧和ego-motion数据来处理各像素点的分割任务

  • Ruchti和Burgard等人使用概率来预测可移动的物体；Dewan等人提出了一种基于刚体运动分析的方法，它将该问题定义为一个估计刚体运动向量的能量最小化问题；Dewan等人提出了基于贝叶斯滤波的方法，使DCNN语义状态的预测具有时间一致性...但是，这些方法没有提到在线分割的性能

主要贡献

  • 利用AR-SI理论，提出了系统的方法来发现一个物体的真实动态特征。通过AR-SI的判断，可以有效地识别出动态物体。利用AR-SI生成的时序特征+原始点云提供的空间特征求出分割结果，显著改善了传统Encoder-Decoder结构的分割效果

  • 提出稀疏张量和稀疏卷积，使得嵌入式设备的计算效率显著提升，并将模型部署到真实嵌入式设备中进行了效果实测

  • AR-SI理论是控制-CPS中成熟的数学理论，它不仅可以作为移动/非移动二元判断的预测，还可以用于运动轨迹质量的检测。这启发我们系统地解释CNN输入张量中的二进制特征，这是运动对象分割中的新方法。而传统的DL方法使用sequential LiDAR scan提取时序特征，但是无理论解释（言外之意，有隐患）

模型整体架构

73e4bc5e1c9b622b72029c238f8b7317.png 0b07e71b80570490dffd6d3a8f2f9a14.png

稀疏卷积网络架构

3e55f97adca96069b827e0c33744ebcb.png

  • ContextBlock：1个1x1conv+2个3x3的conv，dilation rate=(1, 2)

  • SpRes：3个稀疏卷积层+ReLU+BN

  • SpUp：3个稀疏卷积层+ReLU+BN

  • Logit：将上采样层的输出映射为点云标签

  • F Block：将稀疏张量转换为普通张量

实验结果

硬件配置：

  • Intel(R) Xeon(R) Gold 5118 CPU

  • Sytem memory up to 128GB

  • NVIDIA GeForce RTX 3090 Graphic Card

0f095fbe131aa40d94c753f5a3a69fc9.png

  • 虽然SalsaNext在IoU指标上取得了最高值，但我们可以看到密集的原始点云数据产生了较高的残差图像计算消耗，这对于实时分割是不实用的

  • 真实的激光雷达频率范围从8HZ到20HZ，这意味着在线infer的时间应小于125ms

4RVMOS(2022 RAL)

Range-View Moving Object Segmentation leveraged by Semantic and Motion Features

主要贡献

  • 与传统的方法相比，该网络融合了运动特征和语义特征，其中运动特征编码了物体的运动而语义特征编码了物体周围的环境

  • 设计了一个基于RV特征的特征提取模块FEM

  • 提出了一种简单而有效的数据增强方法：时间间隔调制和零残差图像合成

  • 该方法在mIoU指标上比SOTA高出了19%，在速度方面快10%左右（基于RTX 3090）

Multi-branch网络架构

ad3db5f1100603a3d488352a6e83c782.png

Attention based fusion module

  • 基于注意力的融合模块：利用空间注意力机制和通道级注意力机制来融合语义和运动网络中的中间特征层。融合网络预测了一个给定融合特征的移动物体概率图，封装了可移动物体及其运动信息

  • 从运动线索中推断出移动的车辆，并通过编码物体周围环境的语义特征来推断出暂时静止的车辆

Feature extraction module

  • RV图像是通过将360°Lidar点投影到二维平面中形成的，易捕获扭曲的几何图形；RV图中的对象大小不一致，这使得分割对象变得困难

  • 因此，特征提取器需要一个自适应的感受野

  • FEM块由两个kernel size为3x3的卷积层(dilation rate分别为1和3)和一个1x1的卷积层构成，后接一个CBAM模块负责进行特征精细化，解决了上述问题

训练

  • 应用Lovasz-Softmax损失

  • 语义网络、运动网络和运动目标分割网络同时进行训练

  • 不使用任何预先训练过的权重，从零开始训练所有的网络

0e4cc63ab34e4ba55c0cbefe85c189a0.png

实验结果

硬件配置：RTX 3090

dc7a69ff68d70d469516ca1cac576126.png

5MotionSeg3D(2022 IROS)

Efficient Spatial-Temporal Information Fusion for LiDAR-Based 3D Moving Object Segmentation

首先指出了几大流行的点云分割解决方案的优缺点:

  • 基于点的方法可以从无序的点云中提取有效的特征，但是它们很难有效地扩展到大规模的点云数据

  • 基于稀疏体素卷积的方法可以减少点云的计算负担，但体素化会引入信息损失

  • 基于Range Iamge的方法是一个相对轻量级的中间表示，然而，在将其back-projection回3D点云时，存在边界模糊问题

主要思路

首先使用基于RV的主干来获得粗糙分割，然后使用轻量级的三维体素稀疏卷积模块来细化分割结果，形成一种由粗到细的结构。该方法结合了激光雷达扫描的不同表达方式的优点，可缓解边界模糊的问题，同时保持较高的推理效率。

网络架构

ab1a870cf7bfa40d2f694f95e1cd7bb9.png

  • 对比LMNet：LMNet直接将RV和残差图像concat，作为SalsaNext的输入

  • 作者将LMNet扩展为双分支结构，从RV中提取appearance特征，从残差图像中提取运动特征

Meta-Kernel Convolution

Fan等人认为，对range image进行二维卷积，不能充分利用三维几何信息，于是作者提出了Meta-Kernel Convolution结构。

4334a1ab90054c135230cc9f49bc35fd.png

Motion Guided Attention Module

  • 受视频目标分割的启发，作者添加了一个空间和通道注意力模块来从残差图像中提取运动信息

  • 利用运动信息，加强外观特征中某些重点区域的响应，最终生成一个时空融合特征

  • 注：f_a是appearance特征，f_m是motion特征，时空融合特征的计算过程图中写的很明确。

129bc7e2799fa1a8ce700c2bd5150148.png

PointHead module结构

作者提出了一种由粗到细的分割策略，即使用一个PointHead模块来细化分割二维卷积网络生成的分割结果。这种two-step的策略同时利用了像素级和点级的误差去训练，使得训练过程更加有效，参数优化更为容易。

做法：将网络输出的2D预测图先back-projection为3D点云数据形式，然后进入两个分支。上侧分支先对点云进行体素化，然后再进行稀疏卷积，最后反体素化为点云数据，计算一个预测误差；下侧分支利用MLP对点云数据进行处理并输出预测结果，计算一个误差；上下分支的两个误差相加得到最终误差。

0b55a81063485e4df4e813d2107a5fc3.png

实验结果

90e1db62e817b1e4cd8a10639e9f7903.png

6Automatic Labeling to Generate Training Data for Online LiDAR-based Moving Object Segmentation

主要贡献

提出了一种新的模块化方法，用于在三维激光雷达扫描中自动生成MOS标签

步骤

  • 首先利用基于占用率的动态对象去除技术来粗略地检测可能的动态对象

  • 将上一步中得到的候选动态对象聚类为若干实例

  • 使用卡尔曼滤波器跟踪上述对象，根据跟踪的轨迹可标记出实际移动的物体和静态物体

其他贡献

  • 与现有的方法相比，本文提出的方法为激光雷达-mos生成了更好的标签

  • 该方法能够为不同的激光雷达扫描仪以及在不同的环境下生成有效的标签

模型架构

fbac24fad1268feade39e6eb5821781e.png

  • 利用LiDAR测程/SLAM步骤来估计位姿

  • 应用map cleaning method (ERASOR) 粗略地检测移动的物体(绿色)

  • 应用聚类方法根据检测到的候选移动对象提取实例(以不同的颜色着色)

  • 应用多对象跟踪方法将不同帧之间的同一实例关联，并根据跟踪的轨迹(黑色)决定实例的最终标签

Class-agnostic Instance Segmentation

分割S的目标是将点云划分为不相交的子集：

0e70d45c599b1843af676bed2add5f5a.png

  • 采用了HDBSCAN

  • HDBSCAN在不同的密度阈值上执行DBSCAN，并集成结果，生成一个聚类

  • HDBSCAN可以适应密度存在差异的情况(不像DBSCAN)，并且对参数选择更健壮

  • 为每个实例S_k生成一个边界框b_k

Multiple Dynamic Object Tracking

  • 使用多扩展卡尔曼滤波器来跟踪实例边界框

  • 我们需要发掘出在连续扫描中的实例之间的关联

  • 基于关联性计算出t时刻的N_B^t个实例和t−1时刻的N_B^t−1个实例之间的代价矩阵C

  • 关联问题可被表示为一个二部图匹配问题，可用匈牙利算法求解。至此，我们可得到前后连续帧之间各实例的关联对，并追踪其运动轨迹

bfd08841c12fbf102327ce9b1dba113e.png

实验结果1

0364d4550fc35300828e25e90065de49.png

实验结果2

23a93749c0dcccb874170f9c6f1df423.png

7运动物体分割网络总结与比较

点云数据表达形式

  • LMNet：Range Image + Residual Depth

  • 4DMOS：Voxelized Sparse 4D Tensor

  • EmPointMovSeg：Range Image + Residual Depth + Voxelized Representation

  • MotionSeg3D：Range Image + Residual Depth

  • RVMOS：Range Image + Residual Depth

主体网络架构

  • LMNet：Encoder-Decoder CNN

  • 4DMOS：Sparse 4D CNN（MinkUNet-14）

  • EmPointMovSeg：Encoder-Decoder Sparse CNN

  • MotionSeg3D：Dual-branch, Dual-head LMNet

  • RVMOS：Multi-branch Network (3 branches)

点云数据表达形式的优缺点

  • 基于点的方法可以从无序的点云中提取有效的特征，但是它们很难有效地扩展到大规模的点云数据

  • 基于稀疏体素卷积的方法可以减少点云的计算负担，但体素化会引入信息损失

  • 基于Range Iamge的方法是一个相对轻量级的中间表示，然而，在将其back-projection回3D点云时，存在边界模糊问题

突出的指标提升tricks

  • LMNet：Range Image + Residual Depth（2021奠基之作）

  • 4DMOS：Receding Window、Sparse 4D CNN、Binary Bayes Filter

  • EmPointMovSeg：AR-SI Filter预判断、Sparse CNN

  • MotionSeg3D：双分支，分别编码语义特征和时序动作特征；Motion Attention Module融合、加强运动信息的响应；Meta-Kernel Module可充分在2D Range Image中利用空间几何信息

  • RVMOS：三分支网络，设计了专门用于融合语义特征和时序动作特征的Fusion Network；Feature extraction module缓解了RV几何失真问题

不难发现，自从LMNet提出以来，后续的很多文章都采用了Range Image + Residual Depth的数据形式作为网络的输入，不同之处在于这些文章都各自设计了更为精巧的网络结构与特征提取模块，以充分挖掘与利用静态的场景语义信息和动态的运动线索信息。

检测精度对比

91e3a2c0bf393e29f4628b363d8f69e7.png

推理速度对比

2dd744450b85c87cf856b3eb2d8e7359.png##结语

  • 3D点云语义分割、目标检测是新兴的研究方向，该领域未来还有很大的可挖掘空间

  • 作为热点领域，它方兴未艾，但我们仍有必要着眼于传统语义分割算法的发展。

  • 某种意义上，传统语义分割模型为点云分割提供了设计范式，不少点云分割网络主体仍采用了传统语义分割网络的架构(U-Net、DeepLab等)

  • 同一系列的分割算法通常是迭代式进步的，每次都针对历史版本存在的问题进行突破

  • 将激光雷达点云数据与相机拍摄的2D图像融合：多模态

  • 是否存在semi-supervised / self-supervised的算法能用于MOS？

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D感知、多传感器融合、SLAM、高精地图、规划控制、AI模型部署落地等方向；

加入我们：自动驾驶之心技术交流群汇总！

自动驾驶之心【知识星球】

想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D感知、多传感器融合、目标跟踪）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球（三天内无条件退款），日常分享论文+代码，这里汇聚行业和学术界大佬，前沿技术方向尽在掌握中，期待交流！

c8a639cc1fed73c9c6ed2ec54badf3da.jpeg

自动驾驶之心
关注
MATLAB算法实战应用案例精讲-【自动驾驶】FMCW 雷达（最终篇）
qq_36130719的博客
06-28 1308
网上介绍毫米波的内容很多，百度给的定义是：波长为1～10毫米的电磁波称毫米波，它位于微波与远红外波相交叠的波长范围，因而兼有两种波谱的特点。从定义中可提取出以下信息：短波长，不可见，电磁波。回忆一下高中物理中对波的一些原理，波长越短，绕过障碍物的能力越差，传播距离短，衰减不多，相对的反射能力就好一些。电磁波的速度是光速，约为3.0e8 m/s，如下图（参考2）所示：电磁波是由正交的电场和磁场相互作用而产生并以波的形式传播的，如上图中，蓝色的是磁场的振动方向，橙色的是电场的振动方向，电场与磁场是正交的。
MATLAB算法实战应用案例精讲-【人工智能】语义分割（补充篇）(附matlab代码实现)
qq_36130719的博客
01-01 1754
语义分割是从粗推理到精推理的自然步骤：原点可以定位在分类，分类包括对整个输入进行预测。下一步是本地化/检测，它不仅提供类，还提供关于这些类的空间位置的附加信息。最后，语义分割通过对每个像素进行密集的预测、推断标签来实现细粒度的推理，从而使每个像素都被标记为其封闭对象矿石区域的类别。更具体地说，语义图像分割的目标是给图像中的每个像素都贴上对应的一类所代表的内容的标签。因为我们要对图像中的每个像素进行预测，所以这个任务通常被称为密集预测。
运动物体分割 —— 高斯背景模型
xlvector的专栏
01-24 6366
高斯背景模型运动检测的一般方法    目前，运动物体检测的问题主要分为两类，摄像机固定和摄像机运动。对于摄像机运动的运动物体检测问题，比较著名的解决方案是光流法，通过求解偏微分方程求的图像序列的光流场，从而预测摄像机的运动状态。对于摄像机固定的情形，当然也可以用光流法，但是由于光流法的复杂性，往往难以实时的计算，所以我采用高斯背景模型。因为，在摄像机固定的情况下，背景的变化是缓慢的，而且大
IROS 2021最新开源！深度学习三维激光雷达动态物体分割
limingmin2020的博客
08-02 509
检测和分割传感器数据中的动态物体对于构建一致的环境地图、对无人平台进行状态预测、避免碰撞和路径规划而言至关重要。今天介绍的这篇工作旨在解决自动驾驶应用中的三维激光雷达运动物体检测和分割问题（LiDAR-based Moving Object Segmentation，LiDAR-MOS）。...
使用稀疏4D卷积实现3D激光雷达数据中后退运动物体分割
最新发布
gitblog_00056的博客
05-27 421
使用稀疏4D卷积实现3D激光雷达数据中后退运动物体分割 4DMOSReceding Moving Object Segmentation in 3D LiDAR Data Using Sparse 4D Convolutions (RAL 2022)项目地址:https://gitcode.com/gh_mirrors/4d/4DMOS 在这个开源项目中，我们引入了一种创新的算法——Recedi...
激光雷达FPGA开发论文.rar
10-09
激光雷达的工作原理与雷达非常相近，以激光作为信号源，由激光器发射出的脉冲激光，打到地面的树木、道路、桥梁和建筑物上，引起散射，一部分光波会反射到激光雷达的接收器上，根据激光测距原理计算，就得到从激光雷达到目标点的距离，脉冲激光不断地扫描目标物，就可以得到目标物上全部目标点的数据，用此数据进行成像处理后，就可得到精确的三维立体图像
激光雷达点云处理相关论文及代码汇总
Fzc_Ztt的博客
07-24 334
github链接：Lidar Point clound processing for Autonomous Driving
目标跟踪论文代码汇总
如果想成为中心，那么就到中心去吧。
07-21 528
近年来，分割任意模型（SAM）因其对图像分割性能而迅速获得了广泛的关注。由于其较强的图像分割能力和不同提示的高交互性，我们发现其在视频一致性分割效果较差。因此，在本报告中，我们提出了跟踪任何事物模型（TAM），它可以在视频中实现高性能的交互式跟踪和分割。详细地说，给定一个视频序列，只有很少的人类参与，也就是说，几次点击，人们可以跟踪任何他们感兴趣的东西，并在本体推理中得到令人满意的结果。没有额外的训练，这种交互式设计执行的视频对象跟踪和分割令人印象深刻。
【CVPR2020】3D目标检测论文汇总
Memory
09-16 2298
文章目录1. 3D目标检测——室外1. Associate-3Ddet: Perceptual-to-Conceptual Association for 3D Point Cloud Object Detection2. Structure Aware Single-stage 3D Object Detection from Point Cloud3. PnPNet: End-to-End Perception and Prediction with Tracking in the Loop4. DOP
深度补全 论文及代码汇总，持续更新中~~
不忘初心~
03-14 2138
depth completion
基于深度图的三维激光雷达点云目标分割方法
02-11
三维激光雷达广泛应用在智能车系统中,点云目标分割是智能车环境感知中的关键技术。针对目前三维激光雷达点云目标分割算法实时性和准确性不高的问题,提出一种基于深度图的点云目标快速分割方法。将点云数据表示为深度图,建立深度图与点云数据的映射关系。利用激光雷达扫描线的角度阈值去除地面点云数据,结合深度图和自适应参数改进的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能较好地降低欠分割错误率,分割准确度提升10%,达到了85.02%。
马斯克刚骂了激光雷达，这篇用纯视觉代替激光雷达的名校论文「力挺」了他...
湾区人工智能
05-04 896
昨天，第 N 次在公开场合 diss 激光雷达的马斯克，再一次让自动驾驶圈对无人车不同的传感器应用方案展开了热议。实际上，如果站在马斯克的角度，我们其实不难理解他对激光雷...
运动物体分割之ObjectFlow
mufengck的博客
02-12 1011
源码连接https://github.com/wasidennis/ObjectFlow编译环境：osx10.9,matlab2014a 源码下载 安装caffe，编译matcaffe 下载cnn模型，根据文件名称，可能是FCN模型。 根据操作系统决定是否编译External文件夹下的相关CPP文件。 可以通过find . -name "*\.mex*"判断需要编译出哪些mex文件。 maxfl
最近出现的几篇视觉和激光雷达SLAM论文介绍
3D视觉工坊
12-17 2390
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达作者丨黄浴@知乎来源丨https://zhuanlan.zhihu.com/p/445358895编辑丨3D视觉工坊介绍最近半年的一些...
运动图像分割
羽凌寒
01-12 3077
简介 　　最近在继续看《数字图像处理》，发现上面一个分割运动图像的案例，用简单的代码实现，并整理了出来。 原理介绍 　　该方式主要是用在监控上面，用来处理在监控画面中运动的物体。原理可以大致为比较同一位置拍摄的两张图片之间各个像素像素差，根据像素差 大小来判断是否该位置为移动物体： 　　具体公式如下： 　　书中的具体效果如下： 　　注意：该方式局限性
视频跟踪分割运动中的物体
liyuqian199695的博客
10-08 1530
#include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" #include "opencv2/video/background_segm.hpp" #include #include using namespace cv; static void help() { prin
近两年激光雷达运动物体分割论文阅读小结
Polaris的博客
07-29 1863
点云数据表达形式LMNet 4DMOS RVMOS主体网络架构LMNet 4DMOS RVMOS点云数据表达形式的优缺点基于点的方法可以从无序的点云中提取有效的特征，但是它们很难有效地扩展到大规模的点云数据基于稀疏体素卷积的方法可以减少点云的计算负担，但体素化会引入信息损失基于RangeIamge的方法是一个相对轻量级的中间表示，然而，在将其back-projection回3D点云时，存在边界模糊问题突出的指标提升tricks LMNet检测精度对比推理速度对比结语。......
运动在图像分割的应用
yi_tech_blog的博客
03-31 1705
应用背景：讲过一些灰度图像的分割方法之后，大家可能会问，图像分割有什么样的应用。在运动物体识别中，分割有着非常重要的作用，通过“运动”这个概念，与分割相结合，能够在一系列图像中检测出运动对象。
Moving Object Segmentation in 3D LiDAR Data: A Learning-based Approach Exploiting Sequential Data
weixin_44973419的博客
09-28 751
论文解读：Moving Object Segmentation in 3D LiDAR Data A Learning-based Approach Exploiting Sequential Data创新点AbstractRelated Work具体方法personal comment 创新点 在分割中引入了新的描述动态物体的特征dk,ild_{k, i}^{l}dk,il​,dk,il=∣ri−rik→l∣rid_{k, i}^{l}=\frac{\left|r_{i}-r_{i}^{k \righta
基于Cortex-A53平台的激光雷达SLAM实现方法研究
"基于Cortex-A53平台的激光雷达SLAM实现" 知识点1：激光雷达SLAM的概念 激光雷达SLAM（Laser Radar Simultaneous Localization and Mapping）是指同时进行定位和地图构建的技术。它可以实时地感知环境、构建地图，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值